Yunsoo Choi, izquierda, profesor asociado en el Departamento de Ciencias de la Tierra y Atmosféricas de la UH, y Ph.D. El estudiante Alqamah Sayeed explica un nuevo modelo para predecir mejor los niveles de ozono. Crédito:Universidad de Houston
Investigadores de la Universidad de Houston han desarrollado un sistema de pronóstico de ozono basado en inteligencia artificial, lo que permitiría a las áreas locales predecir los niveles de ozono con 24 horas de anticipación.
Eso mejoraría las alertas de salud para las personas con mayor riesgo de desarrollar problemas debido a los altos niveles de ozono.
Yunsoo Choi, profesor asociado del Departamento de Ciencias de la Tierra y Atmosféricas y autor correspondiente de un artículo explicativo del trabajo, dijeron que construyeron un modelo artificialmente inteligente usando una red neuronal convolucional, que puede tomar información de las condiciones actuales y predecir con precisión los niveles de ozono para el día siguiente. El trabajo fue publicado en la revista Redes neuronales .
"Si conocemos las condiciones de hoy, podemos predecir las condiciones del mañana, "Dijo Choi.
El ozono es un gas inestable, formado por una reacción química cuando la luz solar se combina con óxidos de nitrógeno (NOx) y compuestos orgánicos volátiles, ambos se encuentran en las emisiones industriales y de automóviles. Puede provocar problemas respiratorios en las personas, y aquellos especialmente susceptibles al ozono, incluidas las personas con asma, los ancianos y los niños pequeños — se les aconseja reducir su exposición cuando los niveles de ozono son altos.
Alqamah Sayeed, primer autor del artículo y un Ph.D. estudiante en el laboratorio de modelado y pronóstico de la calidad del aire de Choi, dijo que la mayoría de los modelos actuales de pronóstico de ozono no incorporan inteligencia artificial y pueden tomar varias horas predecir los niveles futuros de ozono, en lugar de solo unos segundos para el nuevo modelo. También son menos precisos; los investigadores informaron que su modelo predijo correctamente los niveles de ozono con 24 horas de anticipación entre el 85% y el 90% de las veces.
Una diferencia clave, Choi dijo, es el uso de redes neuronales convolucionales, redes capaces de "barrer" datos y usarlos para formar suposiciones basadas en lo que ha aprendido. Las redes convolucionales se utilizan generalmente para mejorar la resolución de imágenes, él dijo. Choi y Sayeed dijeron que usar las redes para extraer información y luego usar inteligencia artificial para hacer predicciones a partir de esos datos es una nueva aplicación, ilustrando la fuerza de la capacidad de las redes para recopilar información y hacer inferencias basadas en esa información.
Los investigadores utilizaron datos meteorológicos y de contaminación del aire recopilados en 21 estaciones en Houston y en otras partes de Texas por la Comisión de Calidad Ambiental de Texas. que representan las condiciones entre 2014 y 2017. Sayeed dijo que programaron las redes neuronales convolucionales utilizando datos meteorológicos:temperatura, presión barométrica, velocidad del viento y otras variables, para cada día, y mediciones de ozono adicionales de cada estación para 2014, 2015 y 2016.
Para probar su creencia de que el modelo podría predecir los niveles de ozono dadas las condiciones meteorológicas del día anterior, agregaron datos meteorológicos para 2017 y comprobaron la precisión de los pronósticos que produjo la red.
Los pronósticos del modelo alcanzaron una precisión del 90%, y Choi dijo que se volverá más preciso con el tiempo, a medida que la red sigue aprendiendo.
Aunque las pruebas se realizaron con datos de Texas, los investigadores dijeron que el modelo podría usarse en cualquier parte del mundo. "Estados Unidos es geográficamente diferente del este de Asia, "Choi dijo, "pero la física y la química de la creación de ozono son las mismas".
Sayeed dijo que los investigadores están trabajando actualmente para expandir el modelo para incluir predicciones de otros tipos de contaminantes. incluyendo material particulado, así como extender el período de tiempo más allá de las 24 horas.